GRAFICAS DE CONTROL

Angel Francisco Arvelo L.

Caracas, Marzo de 2006

Graficas de Control Angel F Arvelo

ANGEL FRANCISCO ARVELO LUJAN Angel Francisco Arvelo Lujn es un Profesor Universitario Venezolano en el rea de Probabilidad y Estadstica, con ms de 40 aos de experiencia en las ms reconocidas universidades del rea metropolitana de Caracas. Universidad Catlica Andrs Bello : Profesor Titular Jubilado 1970 a 2003 Universidad Central de Venezuela: Profesor por Concurso de Oposicin desde 1993 al presente Universidad Simn Bolvar: Profesor desde 2005 al presente Universidad Metropolitana: Profesor desde 1973 a 1987 Universidad Nacional Abierta: Revisor de contenidos, desde 1979 hasta 2004 Sus datos personales son : Lugar y Fecha de Nacimiento: Caracas, 16-02-1947 Correo electrnico: [email protected] Telfono: 58 416 6357636 Estudios realizados: Ingeniero Industrial. UCAB Caracas 1968 Mster en Estadstica Matemtica CIENES , Universidad de Chile 1972 Cursos de Especializacin en Estadstica No Paramtrica Universidad de Michigan 1982 Doctorado en Gestin Tecnolgica: Universidad Politcnica de Madrid 2006 al Presente El Profesor Arvelo fue Director de la Escuela de Ingeniera Industrial de la Universidad Catlica Andrs Bello (1974-1979) , Coordinador de los Laboratorios de esa misma Universidad especializados en ensayos de Calidad, Auditor de Calidad, y autor del libro Capacidad de Procesos Industriales UCAB 1998. En numerosas oportunidades, el Profesor Arvelo ha dictado cursos empresariales en el rea de Estadstica General y Control Estadstico de Procesos. Otras publicaciones del Prof. Arvelo, pueden ser obtenidos en la siguiente pgina web: www.arvelo.com.ve

Graficas de Control Angel F Arvelo

PROLOGO El uso de mtodos estadsticos en la gestin de calidad esta universalmente aceptado y reconocido, por todas las instituciones y organismos que certifican la calidad, tanto servicios. As por ejemplo, las normas ISO en todas sus versiones, hacen referencia en varias de sus clusulas, al uso de procedimientos de muestreo en el aseguramiento de la calidad, tanto en la recepcin de materias primas, como en el control del proceso. La recopilacin de todos estos procedimientos constituye una disciplina conocida como Control Estadstico de Procesos por sus siglas en ingls SPC (Statistical Process Control) , de obligatorio estudio en todas las especialidades de Ingeniera. Algunas de sus aplicaciones son las siguientes: 1. Grficas de control, que se utilizan para detectar oportunamente fluctuaciones irregulares que pudiera presentar un proceso. 2. Muestreo para la aceptacin, que se utiliza para decidir acerca del ingreso de lotes de materias primas que llegan a un proceso. 3. Diseo de Experimentos, que se utiliza para identificar las variables ms influyentes dentro de un proceso. 4. Anlisis de Regresin, que se utiliza para pronosticar los valores de calidad del producto terminado, en funcin de las variables controlables del proceso. 5. Anlisis de Confiabilidad, que se utiliza para el establecimiento de garantas, y para decidir acerca de las polticas de mantenimiento a seguir. En Venezuela, su uso no es reciente, y las normas de calidad venezolanas tambin sugieren el empleo de mtodos estadsticos, tal como se evidencia en la norma COVENIN ISO9001: 1995. Sin embargo, a pesar de lo difundido de los mtodos, y de su elevado grado de aceptacin, ellos presentan desde el punto de vista terico un punto dbil, que consiste en apoyarse en ciertos supuestos de distribucin para modelar el comportamiento del proceso, especialmente el supuesto de normalidad. en la produccin de bienes como en la prestacin de

Graficas de Control Angel F Arvelo

Obviamente estos supuestos constituyen una limitacin al aplicarlos, pues en caso de no verificarse, la validez del mtodo queda seriamente afectada, al igual que las conclusiones que de l se deriven. Muchas son las industrias que aplican los procedimientos de control estadstico de procesos, sin verificar previamente los supuestos tericos que los soportan. Esta realidad plantea a juicio del autor, un objeto de investigacin acerca de las consecuencias que el incumplimiento de los supuestos exigidos puede ocasionar en la gestin de la calidad, y tambin sobre la factibilidad de desarrollar otros mtodos alternativos que puedan ser aplicados, en aquellas situaciones que as lo requieran. En los ltimos aos, los mtodos estadsticos han tenido un fuerte avance en un rea conocida como Estadstica no-paramtrica, debido a que esta disciplina proporciona una serie de procedimientos que se denominan libres de distribucin, que como lo indica el nombre, proporcionan una metodologa general que no requiere supuestos iniciales sobre el tipo de distribucin que sigue la variable en estudio. Cuando estos mtodos comenzaron a ser divulgados, aproximadamente a comienzos de 1980, fueron fuertemente criticados por el hecho de requerir tamaos de muestra mucho ms grandes que los mtodos convencionales, lo que obviamente ocasiona un incremento en el costo de los estudios que los aplican. Con el transcurso del tiempo, los mtodos no-paramtricos comenzaron a tener una mayor aceptacin, pero casi exclusivamente en el rea de las ciencias sociales, y en las ciencias del comportamiento; ya que all se pudo demostrar que los supuestos de distribucin y muy en particular el de normalidad, resultaban muy dbiles para analizar datos que guarden relacin con la conducta humana. En el rea tecnolgica, la difusin y aplicacin de los mtodos no-paramtricos ha sido muy escasa, y los datos provenientes de procesos industriales an siguen siendo analizados bajo los supuestos clsicos, que los consideran como provenientes de una poblacin que sigue una distribucin estadstica predeterminada, generalmente la normal, mejor conocida como Campana de Gauss. :

Graficas de Control Angel F Arvelo

Este trabajo pretende hacer una recopilacin de los diferentes grficos de control que existen, a fin de que el usuario conozca el alcance, limitacin y aplicacin de cada uno de ellos. En futuro, el autor va a realizar una investigacin acerca de la posible aplicacin que pudieran tener los procedimientos no paramtricos en la construccin de estos grficos de control , y seleccionar aquellos que puedan ser aplicables en la gestin de calidad. Para ello resulta indispensable conocer los objetivos que persiguen los procedimientos estadsticos convencionales para la gestin de la calidad, y analizar cuales de ellos pudieran ser sustituidos por procedimientos no paramtricos. Una vez identificados los procedimientos no paramtricos que pudieran ser aplicados en la gestin de calidad, se hace necesario compararlos con sus equivalentes convencionales, a fin de analizar sus ventajas y desventajas. Esta comparacin deber tomar en consideracin aspectos tales como el tamao de muestra requerido por cada uno de los dos procedimientos, sus niveles de riesgo, y su sencillez de aplicacin a nivel industrial. Probablemente esta comparacin requerir aplicar clculo de probabilidades para medir el riesgo de los procedimientos propuestos, o muy seguramente tendr que ser hecho mediante tcnicas de simulacin.

Graficas de Control Angel F Arvelo

GRAFICAS DE CONTROL
El control estadstico distingue entre dos causas de variacin dentro de un proceso; aquellas que no pueden ser identificadas y corregidas que se denominan causas fortuitas o aleatorias, y otras que pueden plenamente identificadas y que se deben al proceso en s, las cuales se denominan causas asignables. Cuando el proceso opera slo bajo la accin de causas fortuitas, se dice que se encuentra en el estado de control estadstico, o simplemente bajo control. Las grficas de control ayudan a identificar y a eliminar las causas asignables, de manera de asegurar que el proceso se encuentra bajo control. La construccin de estas grficas requieren que las muestras sean tomadas en forma de subgrupos racionales , en donde la probabilidad de variacin dentro de una misma muestra sea mnima, mientras que de una muestra a otra sea mxima. Las variaciones dentro de una misma muestra se deben a causas aleatorias, mientras las de una muestra a otra a causas asignables. Si llegara a ocurrir un desajuste que ocasione un cambio en la forma de operacin del proceso, el grfico debera detectarlo tan pronto como sea posible, y dar una seal fuera de control. Obviamente, cuanto ms rpido se detecte el desajuste, ms eficiente es la grfica de control utilizada. El nmero de muestras o subgrupos que se necesitan para obtener la primera seal fuera de control resulta ser una variable aleatoria denominada longitud de la corrida, y su valor esperado conocido como longitud media de la corrida o por sus siglas en ingls ARL (Average Run Length), es una medida muy utilizada para evaluar el desempeo de la grfica. Cuanto menor sea el ARL de una grfica de control mejor es su desempeo, pues es capaz de detectar ms rpidamente un desajuste. Un grfico de control tambin es susceptible de emitir una falsa alarma, que equivale a cometer Error del Tipo I en una prueba de hiptesis, y dar una seal fuera de control cuando en realidad el proceso se encuentra controlado. Las grficas de control son usualmente comparadas sobre la base de su probabilidad de cometer Error del tipo I, y de su ARL.

Graficas de Control Angel F Arvelo

I1 CONSTRUCCION DE UNA GRAFICA DE CONTROL Es frecuente que para construir una grfica de control se deba asumir alguna distribucin paramtrica para modelar el comportamiento de las causas fortuitas, y sta se suele llamar la distribucin subyacente. Lo ms comn es suponer que las causas fortuitas ejercen su efecto segn una Distribucin Normal. Esta realidad limita el uso de la grfica de control, slo a aquellas situaciones donde se satisfacen tales supuestos de distribucin. Muchos autores han escrito sobre el uso de grficas de control basadas en normalidad cuando ste supuesto no se cumple. Shewhart (1939; p.12,54) Ferrel (1953) , Tukey (1960; p. 458) , Langenberg e Iglewicz (1986) , Jacobs (1990) , Alloway y Raghavachari (1991) Yourstone y Zimmer (1992) , Woodall y Montgomery (1999) y Woodall (2000). Adicionalmente, otros autores Noble(1951) , Tuckey (1960; p. 458) , Lehmann (1983; p.365) y Gunter (1989) entre otros, proponen el uso de grficas de control que no dependan del supuesto de normalidad o de alguna otra distribucin paramtrica especfica; y proporcionan una amplia argumentacin que justifica su desarrollo y aplicacin. En la construccin de un grfico de control intervienen los siguientes elementos: 1. El parmetro a controlar, que representa un valor poblacional cualitativo o cuantitativo, que por alguna razn se desea mantener estable dentro del proceso. Este parmetro usualmente designado como puede ser predeterminado o histrico, en cuyo caso se suele designar como , y corresponde al promedio

histrico durante un tiempo de observacin conocido como perodo base. La media del proceso, su mediana, su desviacin estndar y la fraccin de defectuosos suelen ser los parmetros a controlar ms comunes, dando lugar as a diferentes tipos de grficas. 2. El estadstico de control, que representa un valor muestral que se utiliza como estimador del parmetro poblacional a controlar.

Graficas de Control Angel F Arvelo

Es prctica comn seleccionar un estimador que tenga la propiedad de ser insesgado, es decir: E( ) = grfico. 3. Los lmites de control, que representan las bandas, .una inferior (L.I.C) y otra superior (L.S.C), entre las cuales debe caer el estadstico de control, para considerar que el proceso se encuentra bajo control estadstico. Para encontrar estos lmites de control existen fundamentalmente dos criterios: a) El criterio tres-sigmas, segn el cual estos lmites se hallan a tres desviaciones estndar por encima y por debajo del valor esperado del estimador, es decir:
L.S.C L. I.C 3 Var( ) 3 Var( )

, lo que define la llamada lnea central del

b) El criterio probabilstico, que consiste en determinar un intervalo que tenga una probabilidad mnima de 0,99 de contener el valor del estadstico de control. P ( L.I.C

L.S.C)

0,99

Este ltimo criterio, mas comnmente utilizado en los pases europeos, exige que se conozca la distribucin exacta del estadstico de control . Una vez calculados los lmites de control, se procede a construir la grfica y a representar sobre ella los valores de correspondientes al perodo base.

En caso de que todos los puntos obtenidos caigan dentro de los lmites de control, estos pasan a ser definitivos; si algunos se salen, es necesario investigar la causa asignable que actu, eliminar los puntos, y recalcular los nuevos lmites. Segn el Western Electric Handbook (1956), adems de un punto fuera de los lmites de control, existen otros sntomas que pueden revelar que el proceso se encuentra fuera de control, tales como:

Graficas de Control Angel F Arvelo

Dos de tres puntos consecutivos fuera de los lmites de advertencia dos sigmas. Cuatro de cinco puntos consecutivos ubicados a una distancia de una sigma o mas de la lnea central. Ocho puntos consecutivos del mismo lado de la lnea central. Siete puntos consecutivos en forma ascendente o descendente. Una informacin mas detallada sobre este tema, y los principios tericos que sustentan la construccin de las grficas de control, puede encontrarse en el texto: Indroduction to Quality Control 5th Edition, por Douglas Montgomery, John Wiley & Sons (2005) , o en cualquiera de sus ediciones previas que han sido traducidas al castellano por la Editorial Limusa Wiley Mexico Cap.4 3 Edicin Mxico. (2005) 2 EVOLUCION DE LAS GRAFICAS DE CONTROL El primero en aplicar tcnicas estadsticas al problema del control de calidad fue el Dr. Walter A. Shewhart , quien en los Laboratorios de la Bell Telephone escribi en Mayo de 1924 un memorando, donde hizo el primer esbozo de lo que hoy se conoce como Grficos de Control de Shewhart. Posteriormente en 1931, el Dr. Shewhart escribi una obra titulada Economic Control of Quality of Manufactured Products, y en 1939 Statistical Method from the view point of Quality Control, donde fij las normas para posteriores aplicaciones de los mtodos estadsticos en el control de procesos. Estas obras de reconocido valor histrico, fueron posteriormente reeditadas en 1989, y en ellas establece el principio bsico de variabilidad dentro de un proceso, segn el cual: La calidad medida de un producto manufacturado, est siempre sujeta a una cierta cantidad de variacin como resultado del azar. Algn sistema de causas casuales estable es inherente a cualquier esquema particular de produccin y de inspeccin. La variacin dentro de este patrn estable, es inevitable. Las razones de las variaciones externas a este patrn estable pueden ser descubiertas y corregidas. Bajo el pensamiento de Shewhart fueron desarrolladas las primeras grficas de control, con el propsito de descubrir causas asignables. Entre estas, las ms importantes son:

Graficas de Control Angel F Arvelo

La Grfica X , R: Esta es una grfica de control por variables, que utiliza a la media de la muestra X como estadstico de control para la media del proceso, y al rango de la muestra R como estadstico de control para la desviacin estndar del proceso. Es muy utilizada por la sencillez de clculo en R, y su uso slo se recomienda cuando el tamao de los subgrupos n es pequeo (n 10).

Los lmites de control vienen dados por las siguientes expresiones:

L.S.C

X A2R X
Para R

L.S.C L.I.C

D4 R D3 R

Para X : Lnea Central

Central R :

L.I.C = X A 2 R

Los coeficientes A2 , D3 y D4 son funciones de n , se deducen bajo el supuesto de normalidad, y se leen en tabla especialmente elaborada para la construccin de grficas de control por variables que puede ser encontrada, al igual que ms detalles sobre esta grfica y las siguientes, en la misma referencia bibliogrfica citada anteriormente Indroduction to Quality Control 5th Edition, por Douglas Montgomery, John Wiley & Sons (2005) , o en cualquiera de sus ediciones previas que han sido traducidas al castellano por la Editorial Limusa Wiley Mexico Cap.4, 3 Edicin Mxico. (2005) La Grfica X , S: Esta es tambin una grfica de control por variables, que utiliza a la media de la muestra X para controlar a la media del proceso, pero en lugar del rango de la muestra R, utiliza a la desviacin estndar muestral S , para controlar a la desviacin estndar del proceso. Se recomienda su uso cuando el tamao de los subgrupos n es mayor que 10 (n>10).debido a que en estos casos S es un estimador mucho ms eficiente que R para la desviacin estndar poblacional. Los lmites de control vienen dados por las siguientes expresiones:

L.S.C

X A3 S X
Para S

L.S.C Central L.I.C

B4 S S: B3 S

Para X : Lnea Central

L.I.C = X A3 S

Graficas de Control Angel F Arvelo

10

Al igual que la anterior, estas dos grficas como casi todas las de Swehart suponen que las muestras han sido tomadas como subgrupos racionales., y en ellas los lmites de control son obtenidos con el criterio tres sigmas bajo el supuesto de normalidad. Grfica de control para observaciones individuales: Es tambin una grfica por variables que se aplica cuando no existe oportunidad de conformar subgrupos racionales, y en consecuencia la muestra es de tamao n = 1. Tal es el caso por ejemplo, del envasado de lquidos o de cremas que previamente han sido debidamente homogeneizadas, y por lo tanto todas aquellos envases que provengan de un mismo lote presentan propiedades en el momento de su envasado. En situaciones como esta, la variabilidad se presenta entre los diferentes lotes, pero no entre las unidades de un mismo lote; y basta con medir el valor de la caracterstica de calidad en una unidad, para conocer la de todo el lote. En estos casos, sobre la grfica de control lo que se representa es el valor X de esa caracterstica de calidad medida sobre una nica pieza, y el subgrupo racional se forma al considerar el valor de la medicin en un lote con la del prximo, para formar un subgrupo de tamao 2. Suponiendo normalidad sobre X y aplicando el criterio tres sigmas, se las mismas

L.S.C
obtienen los siguientes lmites de control para X:

X 3

R d2 X R d2

Lnea Central L.I.C =X 3

Donde d2 = 1,128 que es el valor correspondiente para subgrupos de tamao 2, y R es el rango mvil promedio.

Grfica P: Esta es una grfica por atributos que busca controlar la fraccin de piezas no conformes que fabrica un proceso. Se fundamenta en la aproximacin normal a la Distribucin Binomial, utiliza
como estadstico de control a p proporcin muestral de no conformes,

Graficas de Control Angel F Arvelo

11

mediante la aplicacin del criterio tres sigmas presenta los siguientes lmites de

L.S.C P 3
control para p : Central P

P(1 P) n

L.I.C P 3

P(1 P) n

P representa el promedio histrico de la proporcin de no conformes, y n el

tamao del subgrupo racional. Grafica NP: Esta es tambin otra grfica por atributos que tiene el mismo objetivo de la anterior, con la diferencia de que utiliza como estadstico de control al nmero X de no conformes presentes en el subgrupo racional. Los lmites de control para X por criterio tres sigmas y utilizando la
L.S.C nP 3 n P(1 P)

aproximacin normal a la binomial son: Central n P

L.I.C nP 3 n P(1 P)

Dado que la distribucin exacta de X es conocida cuando el proceso est bajo control, pues sigue una Binomial con parmetros n y P ; en esta grfica es posible obtener los lmites de control con criterio probabilstico, que usualmente resultan ms estrechos que con criterio tres sigmas. Grfica C: Es una grfica por atributos utilizada para controlar el nmero C de defectos presentes en una unidad de muestreo. Supone que la distribucin de C es una Poisson, y mediante la aplicacin del

L.S.C
criterio tres sigmas, los lmites de control para C son: Central

C 3 C

L.I.C

C 3

C representa el promedio histrico del nmero de defectos, y bajo el supuesto

de la distribucin de Poisson, es posible tambin obtener lmites probabilsticos. Grfica U: Es una grfica por atributos, conocida tambin bajo el nombre de Grfica de defectos por unidad

Graficas de Control Angel F Arvelo

12

Se utiliza como alternativa del grfico C cuando la unidad de muestreo esta formada por n unidades de produccin, y se define U
C . n

L.S.C U 3
Los lmites de control para U resultan: Central U

U n

L.I.C

U 3

U n

U representa el promedio histrico del nmero de defectos por unidad.

Es de hacer notar que en todos los grficos de Shwehart el tamao n del subgrupo racional pudiera ser variable, lo que ocasionara limites de control variables, situacin sta de escaso valor prctico.

Uno de los inconvenientes que presentan las grficas de control de Shwehart es que en tales diagramas se utiliza solamente la informacin contenida en el ltimo punto graficado, y se omite toda la informacin suministrada por la sucesin completa de puntos anteriores. (Vase Douglas Montgomery Control Estadstico de la Calidad , Cap. 8 , 2005). Esta situacin ocasiona que las grficas de Shwehart sean relativamente insensibles frente a ligeros corrimientos del parmetro. Para solucionar este problema se han incorporado otros criterios, tales como las pruebas para corridas y los ya citados en el Western Electric Handbook, cuya intencin es incorporar informacin contenida en el conjunto completo de puntos. Sin embargo, el uso de estas reglas adicionales de decisin adems de dificultar la administracin de las grficas, incrementa considerablemente el riesgo de Error tipo I o falsa alarma, lo cual es indeseable por el alto costo que ocasiona y por su efecto desmoralizador. Para resolver este problema, han sido diseadas otros tipo de grficas de control, ya no de tan sencilla construccin, pero que con la ayuda de los recientes programas para el Control Estadstico de Procesos, su uso ha ido en notorio ascenso.

Graficas de Control Angel F Arvelo

13

Esta nueva categora de grficas ha sido llamada graficas de control con memoria, tambin se apoyan el algn supuesto de distribucin, y las ms importantes son las siguientes: Grficos CUSUM: Este grfico cuyo nombre deriva de sus siglas en ingls cumulative sum o en castellano diagrama de control de suma acumulativa, fue propuesto por primera vez por Page (1954) , y ha sido objeto de estudio por diversos autores, vase Ewan (1963) y Lucas (1976) . Se utiliza para controlar la media de un proceso en un valor nominal o, y para ello existe una sucesin de muestras de tamao n cada una, y cuyas medias muestrales son X1, X2 ,
, Xm .

El grfico convencional de Shwehart tomara individualmente cada una de estas medias muestrales, y de caer todas dentro de los lmites de control para

X , concluira que el proceso est bajo control.

El grfico CUSUM utiliza la sucesin completa, y para ello parte el siguiente razonamiento: Para cada muestra calcula su desvo respecto al valor nominal Xi
o

. Si el

proceso estuviese realmente centrado en o, algunos desvos resultaran positivos, otros negativos, y su suma acumulada debera tender a cero. Por este motivo, toma coma como estadstico de control a la suma acumulada
i m

hasta la e-msima muestra definida por: Sm

i 1

(Xi

) , la cual debera, en

caso de que el proceso est bajo control, aproximarse a cero en la medida en que m aumente. Si la media del proceso llegara a sufrir un desajuste, se presentar un

desequilibrio entre los desvos positivos y los negativos, y la suma acumulada se incrementar positivamente si el deslizamiento es hacia un valor mayor que o , o negativamente en caso contrario. La siguiente grfica muestra un grfico CUSUM en donde la media del proceso a partir de la muestra No 16, ha sufrido un presunto deslizamiento hacia un valor mayor que el nominal, y la suma acumulada ha comenzado a crecer indefinidamente.

Graficas de Control Angel F Arvelo

14

El principal problema que tropez este grfico inicial CUSUM fue la ausencia de unos lmites de control para la suma acumulada que permitieran detectar cuando el proceso se ha desajustado. La solucin de este problema condujo a dos variantes del grfico conocidas como el CUSUM algortmico y la plantilla o mascarilla V. Para construir estos grficos, es necesario definir un valor k llamado valor de referencia, que representa el mayor deslizamiento en la media del proceso que podra tolerarse, y a partir del cual la suma acumulada se considera

significativa y en consecuencia el proceso fuera de control. El valor de k tambin depende de la probabilidad con que se quiera detectar un deslizamiento, y su metodologa de clculo es distinta en el CUSUM algortmico y para la plantilla V. El CUSUM algortmico, considera dos sumas acumuladas, la de los desvos positivos llamada Ci+ y la de los negativos Ci- , y la grfica de control toma la siguiente apariencia:

Graficas de Control Angel F Arvelo

15

mientras que en el de la plantilla V esta otra:

El procedimiento para construir esta mascarilla V fue desarrollado por Johnson y Leone (1978) , y para una explicacin detallada sobre su construccin vase: Control de Calidad y Estadstica Industrial. Duncan Cap. 22 (1990). La mascarilla V se centra en el punto O correspondiente a la suma acumulada de desviaciones hasta la ltima muestra y a partir de all, se trazan sus brazos. Si todos los puntos correspondientes a las sumas acumuladas anteriores caen dentro de los brazos, el proceso se considera dentro de control. Debido a la dificultad de los clculos requeridos para su construccin, la mascarilla V tuvo poca difusin en sus comienzos; pero con la aparicin de

Graficas de Control Angel F Arvelo

16

los recientes programas estadsticos, su uso ha comenzado a tener gran aceptacin. Tambin existen grficas CUSUM destinadas a controlar la variabilidad del proceso, las cuales tambin suponen normalidad. Hawkins (1993) hizo un estudio comparativo entre los grficos de Shwehart con lmites tres sigmas y los grficos CUSUM, basando su comparacin en el ARL de cada una. Concluye que cuando el proceso esta bajo control ambas grficas dan aproximadamente la misma probabilidad de error tipo I y un ARL aproximadamente igual; mientras que para procesos fuera de control, el ARL vara considerablemente de una grfica a otra, y presenta tablas comparativas como la siguiente, donde se aprecia que el ARL del grfico CUSUM resulta por lo general significativamente menor que el de la grfica Shwehart, frente a una misma magnitud del deslizamiento en la media del proceso.
CUSUM 0 0,5 1 1,5 2 3 500 30 10,5 5,4 3,4 2,6 ARL( ) para grficos CUSUM y Shwehart Comparables representa la magnitud relativa del deslizamiento en la media del proceso expresada en trminos de desviacin estndar poblacional Shwehart 500 214,5 65,2 18,2 7,35 2

Grficas EWMA: Ests graficas con memoria, propuestas por primera vez por Roberts (1992) derivan su nombre de Exponencially Weighted Moving Average, se utiliza principalmente para observaciones individuales, y parten de la idea de darle un mayor peso a las observaciones ms recientes con el propsito de hacerlo ms sensible frente a cambios en el proceso. La versin ms importante de las grficas EWMA, es la que se utiliza para controlar la media del proceso en un valor especificado o, que usa como estadstico de control a Zi definido como el promedio ponderado entre la ltima observacin Xi y el valor anterior de ese mismo estadstico; es decir: Zi = Xi + (1- ) Zi-1 ; siendo Zo =
o

,y 0<

1.

Graficas de Control Angel F Arvelo

17

Si se aplica sucesivamente esta frmula para Zi-1, Zi-2 etc., puede verse fcilmente que Zi resulta un promedio exponencialmente ponderado entre todas las observaciones, en donde la ms reciente resulta con una ponderacin mayor, y las ms antiguas con otra mucho menor.
j i 1

Zi
j 0

(1

)j Xi j + (1- )i

El factor de ponderacin refleja la importancia que se le esta dando a la observacin mas reciente, y es prctica comn seleccionar 0,05 0,25.

Bajo el supuesto de normalidad, los lmites de control con criterio tres sigmas

L.S.C
resultan ser:

+3
0

1 (1

)2i
; lo que revela lmites de

Central L.I.C
0

+3

1 (1

)2i

control variables, que a medida que va creciendo el nmero de observaciones, e i crece tienden a estabilizarse, y alcanzar unos lmites permanentes

L.S.C
representados por la expresiones: Central

+3
0

2
; dando lugar a una

L.I.C
grfica con la siguiente apariencia:

+3

Graficas de Control Angel F Arvelo

18

Este grfico EWMA tambin puede usarse con subgrupos racionales de tamao n, en cuyo caso ser necesario sustituir Xi por X i ,y expresiones anteriores. Existen tambin grficos EWMA para controlar la variabilidad del proceso en un valor especificado 0 , y en ellos se toma como estadstico de control al error cuadrtico medio ponderado exponencialmente ( EWMS) definido como:
Si2 (Xi
0

por

en las

)2

(1

)Si2 1

Los lmites de control para Si se obtienen a partir de una Distribucin ChiCuadrado con aproximadamente

grados de libertad, que con criterio

2 0.005; 0 2 0.995; 0

L.S.C
probablistico del 99% resultan:

L.I.C

Para procesos en donde se requiere un control por atributos, la Graficas EWMA tambin ofrece una alternativa cuando el parmetro a controlar es el nmero de defectos, el cual se quiere mantener controlado en un valor o. En este caso, al igual que en la grfica C de Shwehart ,se supone que el nmero de defectos sigue una Distribucin Poisson, El valor del EWMA se mantiene al igual que antes: Z i = Xi + (1- ) Zi-1 ; siendo Xi el nmero de defectos encontrados en la i-sima unidad inspeccionada, Zo =
o

,y 0<

1.

L.S.C
Los lmites de para Zi en este caso son:

A
0

1 (1

)2

Central L.I.C
0

1 (1

)2

A es un coeficiente que se selecciona en funcin de la Probabilidad de Error I.

Graficas de Control Angel F Arvelo

19

GRAFICAS DE CONTROL CON PROMEDIOS MOVILES. Este otro tipo de grficas de control slo toma en cuenta un cierto nmero w de las observaciones ms recientes omitiendo todas las anteriores. Si se tiene una sucesin de valores individuales X1, X2, X3,
..

, Xn , el promedio

mvil correspondiente para cada observacin se obtiene promediando aritmticamente esta observacin con la w -1 anteriores, es decir:
Mi Xi Xi
1

Xi 2 w

Xi

w 1

Para las primeras w-1 observaciones no es posible calcular el promedio mvil mediante esta frmula pues no se cuenta con w observaciones anteriores, y slo para ellas el promedio mvil se calcula promediando la totalidad de las anteriores:
Mi X1 X2 X3 i Xi

;i

w-1

Suponiendo que independencia entre las observaciones, y que el proceso sigue una Distribucin Normal con media o cuando se encuentra bajo control y con varianza
2

, es fcil deducir que los lmites de control tres sigmas son:

L.S.Ci
0

3
0

Para las primeras w-1 observaciones: Central

L.I.Ci
0

;i
i

w-1

L.S.C

3
0

Para todas las siguientes: Central

L.I.Ci
0

En la mayora de los casos prcticos se selecciona w = 5, y la apariencia de la grfica es como sigue:

Graficas de Control Angel F Arvelo

20

Estudios hechos por simulacin, han demostrado que la grfica de control con promedios mviles es ms efectiva que la de Shwehart para detectar corrimientos leves en la media del proceso. Una variante de este tipo de grficas consiste en calcular el promedio mvil en forma ponderada, concedindole un mayor peso a la ltima observacin, y una ponderacin menor a las anteriores. I.3 GRAFICAS DE CONTROL MULTIVARIANTES Todas las grficas anteriormente descritas se utilizan para el control de una variable de calidad en forma aislada. En la mayora de los casos prcticos, la calidad de un producto la definen varias variables de forma simultnea, de manera que si alguna de ellas no cumple con sus requisitos de calidad, el producto es no conforme en su totalidad. Cuando se lleva una grfica de control propia para cada una de las variables, no slo se pueden llegar a inferencias errneas respecto del proceso, si no tambin se incrementa considerablemente el riesgo de Error Tipo I o falsa alarma, pues si cada grfica tiene una probabilidad de cometer error tipo I, la probabilidad de que alguna de ellas lo cometa es 1-(1- )n , suponiendo que las n variables a controlar son independientes. Si las variables a controlar no son independientes, este riesgo resulta difcil de cuantificar.

Graficas de Control Angel F Arvelo

21

Las grficas de control multivariantes se comenzaron a desarrollar por primera vez en 1947 con el propsito de controlar varias variables en forma simultnea, y hoy en da tienen una gran importancia en el control moderno de procesos, ya que los procedimientos de inspeccin automticos permiten fcilmente medir un gran nmero de variables dentro de un producto manufacturado. La ms conocida de estas grficas es la T2 de Hotelling, que supone una distribucin normal multivariante para el conjunto de variables en estudio, y exige que se conozca tanto el vector de medias como la matriz de varianzas y covarianzas. La grfica tiene como objetivo el control simultaneo de las medias de todas las variables en los valores dados por el vector de medias. Para el caso de dos variables, el estadstico de control es el valor de una chicuadrado con dos grados de libertad, definido por la expresin:
2 2 1

n
2 2 2 12

2 2

(X1

)2

2 1

(X2

)2

2 12

(X1

)(X2

Para aceptar que el proceso se encuentra bajo control, el valor de este estadstico
2 2

deber ser menor o igual que el nico lmite de control superior

, dado por la distribucin chi-cuadrado con 2 grados de libertad y un nivel

de significacin a la derecha. Este hecho sirve como punto de partida para la construccin de la grfica de control , pues la expresin en el corchete representada en un plano cartesiano con ejes X1 y X 2 es una elipse con centro en ( 1,
2)

Si el punto muestral (X1, X2 ) cae dentro de la regin encerrada por la elipse, el proceso se considera bajo control, caso contrario fuera de control. La forma de esta elipse depende de las varianzas y de la correlacin entre las variables. En caso de que X1 y X2 sean independientes la covarianza entre ellas
2 12

= 0, y

la elipse resulta con ejes paralelos a los ejes coordenados, pero si no lo son entonces
2 12

0 y la elipse resulta con ejes oblicuos cuya inclinacin depende

de la magnitud de la correlacin entre las variables, y de su signo.

Graficas de Control Angel F Arvelo

22

Grfico de Control Bidimensional para dos variables independientes

Grfico de Control Bidimensional para dos variables con correlacin positiva

En caso de que las variables a controlar sean tres mas, el clculo del estadstico de control matricial:
2

debe hacerse mediante la siguiente expresin

2

n(X

-1

(X

donde n representa el tamao muestral , el vector de medias bajo control,

X el vector de medias muestrales y

la matriz de varianzas y covarianzas.

En este caso, los grados de libertad coinciden con el nmero de variables consideradas p, y el grfico de control toma la apariencia de un grfico convencional de Shwehart, sin lnea central y con un nico lmite de control superior, en donde se representa el valor del estadstico de control en las sucesivas muestras.
2

obtenido

Cuando los parmetros poblaciones no son conocidos, es necesario hacer una estimacin previa de ellos, el estadstico de control cambia ligeramente, y pasa a llamarse la T2 de Hotelling definido por expresin:

T2

n(X X) S-1 (X X)

Graficas de Control Angel F Arvelo

23

donde X y S son las estimaciones del vector de medias y de la matriz de varianzas y covarianzas respectivamente. Al igual que el anterior, el grfico de control T 2 de Hotelling presenta un solo lmite superior de control sin lnea central, y sobre l se representan los sucesivos valores de T2 para las diferentes muestras examinadas. Cuando se presentan puntos fuera de control en grficos multivariantes, la interpretacin es mucho mas difcil que en el caso univariante, pues no se puede identificar la variable que ha ocasionado esta situacin. Algunos autores sugieren complementar con grficos individuales para cada una de las variables a fin de facilitar esta identificacin. Este procedimiento adems de largo puede fallar, especialmente cuando la seal fuera de control no se debe a una sola de las variables, si no a la interaccin entre varias de ellas. Otro procedimiento til para analizar un punto fuera de control es descomponer el valor de la T2 de Hotelling en distintas componentes que reflejen la accin de cada una de las variables. ( vase referencias bibliogrficas anteriores).. Hayter y Tsui (1994) desarrollaron tambin un procedimiento basado en intervalos de confianza simultneos, que permite identificar las causas que originaron la seal fuera de control.
2

GRAFICAS MCUSUM y MEWMA: Las grficas

y T2 descritas anteriormente

al igual que las de Shwheart no tienen memoria, pues solo consideran la informacin contenida en la ltima muestra procesada. Las MCUSUM y MEWMA son grficas con memoria que pueden considerarse una extensin multivariante de las CUSUM y EWMA respectivamente. La grfica MCUSUM utiliza la informacin contenida en todas las variables consideradas reducindolas a un nico escalar que las resume y representa, y posteriormente a este escalar le aplica un grfico CUSUM univariante, (Vese Pignatello y Runger (1990). La grfica MEWMA aplica un procedimiento similar, con la diferencia de que a ste escalar utilizado como estadstico de resumen para todas las variables consideradas, le aplica posteriormente un grfico EWMA univariante.

Graficas de Control Angel F Arvelo

24

Prabhu y Runger (1996) demostraron que el grfico MEWMA presenta un ARL mucho menor que otros procedimientos multivariantes, y por lo tanto es capaz de detectar mucho ms rpidamente corrimientos en la media de alguna de las variables involucradas. Cabe agregar como comentario final que estos grficos multivariantes son considerados como paramtricos, pues parten de supuestos de normalidad y dependen de la eleccin subjetiva de ciertos parmetros que afectan su estructura. Una limitacin adicional que presentan estos mtodos es que no consideran autocorrelacin entre las variables. Para considerar el efecto de la autocorrelacin estn siendo desarrollados en la actualidad varios mtodos para el control estadstico de procesos,

principalmente basados en el anlisis de series temporales. Otra de las tcnicas que ha encontrado una gran aplicacin en este campo es el del anlisis de componentes principales que permite reducir el nmero de variables a considerar , al sustituir varias de ellas por otra que sea combinacin lineal de stas, sin que eso ocasione una excesiva prdida de informacin.

Graficas de Control Angel F Arvelo

25

EJERCICIOS DE CONTROL ESTADISTICO Profesor: Angel Francisco Arvelo L.

584166357636 ; [email protected] Texto: Control Estadstico de la Calidad Douglas Montgomery Editorial Limusa Wiley, 3 Edicin Ejercicios de Revisin Captulo5 y 7 : Resolver la totalidad de los Ejercicios del Captulo 5 , y los Ejercicios del 7.1 al 7.10 del Captulo 7. 1) Se quiere construir un grfico de control ( X , S ) para una importante caracterstica de calidad. Se toman del proceso de produccin, 40 subgrupos racionales de tamao 12 cada uno, a intervalos regulares de tiempo, y se les calcula su media X y su desviacin estndar S.
i 40 i 40

El resumen de los resultados obtenidos es:

i 1

Xi

2980
i 1

Si

120

a) Encuentre los lmites de control para el grfico ( X , S ). b) ) Encuentre los lmites de advertencia para el grfico X c) Suponga que todos los puntos en ambas grficas , caen entre los lmites de control ,y que la decisin de detener al proceso se toma al encontrar la segunda muestra fuera de los lmites de control. De ocurrir un deslizamiento en la media del proceso en 2 unidades hacia la derecha, cul es la probabilidad de detener al proceso en la quinta muestra subsiguiente o antes. d) Si las especificaciones son 75 4, estime el porcentaje de piezas defectuosas que actualmente fabrica el proceso, calcule los ndices de capacidad Cp y Cpk , y diga sus conclusin acerca de la capacidad del proceso , para producir artculos conformes a estas especificaciones . Solucin: c) 0,3180 b). Cp = 0,4343 Cpk = 0,38 2) En algunos textos de Control Estadstico de Calidad, existen tablas como la Tabla 7.3 Pag. 360 del libro de Douglas Montgomery , que permiten estimar la proporcin de piezas no conformes, para ciertos valores del coeficiente de capacidad potencial Cp ; y as por ejemplo, en esa tabla se lee que para Cp = 0,50, la proporcin estimada de piezas no conformes es de 66.800 y de 133.600 piezas no conformes por cada milln de piezas producidas, para especificaciones unilaterales y bilaterales respectivamente. Justifique dichas estimaciones.

Graficas de Control Angel F Arvelo

26

3) Los lmites de control para un grfico ( X , R ) , con subgrupos de tamao 8 son: Diagrama para X Diagrama para R Lmite Superior 615 21 Lnea Central 610 15 Lmite Inferior 605 9 a) Analice si este grfico est correctamente construido con criterio tres sigma, y en caso de no estarlo, halle los lmites correctos. b) El departamento de control de calidad ha sugerido que es ms conveniente controlar el proceso con un grfico ( X , S ), y subgrupos de tamao 20. Halle los lmites de control para este nuevo grfico. c) Si las especificaciones para una pieza son: 600 20 , estime el porcentaje de piezas no conformes que actualmente produce el proceso, halle los coeficientes CP , CPK, y obtenga sus conclusiones acerca de la capacidad del proceso. d) De ocurrir un desajuste que deslice la media hacia 606, Cul es la probabilidad de que el nuevo grfico ( X , S ) lo detecte en la primera muestra subsecuente?. Solucin: c) p = 2,87 % Cp = 1,27 Cpk = 0,63 d) 0.6517

4) La profundidad de una ranura es una importante caracterstica de calidad en una pieza. Del proceso se toman cada da muestras de tamao 5 cada una. La tabla siguiente resume los resultados obtenidos con 20 muestras:
Muestra N 1 2 3 4 5 6 7 8 9 10 Media 139.7 139.8 140.0 140.1 139.8 139.9 139.7 140.2 139.3 140.7 Rango 1.1 1.4 1.3 1.6 0.9 1.0 1.4 1.2 1.1 1.0 Muestra N 11 12 13 14 15 16 17 18 19 20 Media 138.4 138.5 137.9 138.5 140.8 140.5 139.4 139.9 137.5 139.2 Rango 0.8 0.9 1.2 1.1 1.0 1.3 1.4 1.0 1.5 1.3

a) b)

c) d)

X = 139.49 ; R = 1.175 Calcule los lmites de control para la grfica ( X , R) , y analice si el proceso ha estado bajo control estadstico durante este lapso. De ocurrir un deslizamiento en la media del proceso hacia 139.00 , cual es la probabilidad de detectarlo, a lo ms en la segunda muestra despus de ocurrido?. Suponga que las especificaciones son 140 2. Estime el porcentaje de piezas fuera de especificacin. Estime los ndices de capacidad del proceso, y haga las recomendaciones que considere conveniente.

Solucin: b) 0,3653 , c) 0,16% d) Cp = 1,32 Cpk = 0,98

Graficas de Control Angel F Arvelo

27

5) Para elaborar un grfico de control ( X , R ) se tomaron 30 muestras cada una de tamao 4 , de una soldadura por puntos . Se midi la resistencia al esfuerzo cortante, y para cada una de las 30 muestras se calcul su media y
i 30 i 30

su rango , encontrndose :
i 1

Xi = 15450 N ,
i 1

Ri = 1206N.

Suponiendo que el proceso est bajo control, determine: a) Los lmites para el grfico ( X , R ). b) Si la especificacin establece que la resistencia mnima de la soldadura por puntos es de 400 N. Qu porcentaje de las soldaduras cumple con esa especificacin mnima ? . c) Analice si el proceso es capaz de cumplir con esta especificacin. Calcule su coeficiente de capacidad Cpk. Solucin: c) Cpk = 1,96 6) Una empresa industrial suministra la siguiente informacin, con relacin a un proceso de produccin bajo control estadstico: Especificaciones: 50.00 0.30 . Cp = 0.80 CpU = 0.40 CpL=1.20 Cpk= 0.40 Al hacer una auditora se detecta que las especificaciones estaban mal calculadas, y que las correctas son: 50.00 0.48. Estime en cuanto se reduce el porcentaje de piezas fuera de especificacin como consecuencia de esta ampliacin en las especificaciones, recalcule los nuevos ndices de capacidad, y haga las recomendaciones que considere convenientes. Solucin: Cp = 1,28 Cpk = 0,88 . p se reduce a 0,41% 7) Se quiere construir un grfico de control ( X , R ) para una importante caracterstica de calidad. Se toman del proceso de produccin, 40 subgrupos racionales de tamao 4 a intervalos regulares de tiempo, y a cada uno se le calcula su media X y su rango R.
i 40 i 40

El resumen de los resultados obtenidos es:

i 1

Xi

708
i 1

Ri

11120 ,

a) Encuentre los lmites de control para el grfico ( X , R ). b) Suponga que todos los puntos en ambas grficas caen entre los lmites de control ,y que luego ocurre un desajuste que provoca un deslizamiento en la media del proceso en 1 unidad hacia la izquierda, cul es la probabilidad de que el grfico de control para X detecte este corrimiento, a ms tardar en la cuarta muestra subsiguiente?. c) Si las especificaciones son 17,50 2,50 , estime el porcentaje de piezas defectuosas que actualmente fabrica el proceso, calcule los ndices de capacidad Cp y Cpk , y diga sus conclusin acerca de la capacidad del proceso , para producir artculos conformes a estas especificaciones . Solucin: b) 0,2292 , c) 6,74% d) Cp = 0,6173 Cpk = 0,5679

Graficas de Control Angel F Arvelo

28

EJERCICIOS SOBRE GRAFICAS DE CONTROL Profesor: Texto: Control Estadstico de la Calidad Douglas Montgomery Editorial Limusa Wiley, 3 Edicin 584166357636 ; [email protected] Ejercicios de Revisin Captulos 6 y 14: Los siguientes ejercicios complementan a los que se encuentran en los referidos captulos del texto. 1) Se quiere construir un grfico NP para controlar la fraccin de piezas no conformes en un proceso, y para ello se toman 50 subgrupos de tamao 200 cada uno. a) Si en esos 50 subgrupos se encontraron en total 350 piezas no conformes, determine los lmites probabilsticos de control para el grfico NP. b) Suponiendo que el proceso se encuentra bajo control con los lmites calculados anteriormente, y que ocurre un desajuste que eleva la fraccin no conforme a 8 %, cual es la probabilidad de detectarlo despus de la tercera muestra subsecuente?. c) Cul debera ser el tamao del subgrupo?, para que un cambio en la fraccin disconforme hacia 8% , sea detectado con probabilidad 0.99 Solucin : a)1 y 14 b) 0,0465 c) 691 2) Un grfico de control para el nmero de disconformidades, presenta los L.S.C 21,00 siguientes lmites de control: Central 15,40 L.I.C 9,80 a) Analice si este grfico esta correctamente construido bajo el criterio tressigma, y en caso de no estarlo, determine cuales deberan ser los lmites de control. b) Si se utilizara el criterio probabilstico, Cul seran los lmites de control?) c) De ocurrir un desajuste que ocasione un incremento en el nmero promedio de disconformidades hacia 19,8, Cul es la probabilidad de que el grfico de control construido con criterio tres-sigma lo detecte despus de la cuarta muestra subsecuente ?. Solucin : a) 4 y 27 b) 7 y 26 c) 0,8228 3) Un fabricante quiere establecer un diagrama de control para el nmero de disconformidades, en la estacin de inspeccin final de un calentador de gas para agua. Se verifican los defectos en la fabricacin y calidad de aspecto. En los ltimos 22 das laborables se revisaron 176 calentadores y se encontraron 924 disconformidades. Angel Francisco Arvelo L

Graficas de Control Angel F Arvelo

29

a) Utilizando dos calentadores como unidad de inspeccin, encuentre con criterio 3 sigma los lmites de control y la lnea central para el nmero de disconformidades b) Cul la probabilidad del error tipo I en el grfico de control anterior?. Solucin: a) 1 y 20 b) 0,00283 4) Lotes de tamao 100 fabricados por un proveedor nuevo, van a ser examinado con un plan de muestreo simple para la aceptacin por atributos. El AQL convenido es de 1.5% , a) Cual es el plan sugerido por la Norma MIL STD 105 D, utilizando un nivel general de inspeccin II. ?. b) Cul es el riesgo del productor para este plan?. c) Suponga que bajo la vigencia de este plan, las muestras de los ltimos 10 lotes examinados han arrojado el siguiente nmero de defectuosas: 0 0 0 10 0 0 1 1 1 Aplique los criterios establecidos en la norma MIL STD 105 D, para decidir bajo qu tipo de inspeccin debe ser examinado el prximo lote. Solucin: a) n = 32 c = 1 b) 0,0830 c) Normal 5) A un proveedor de larga trayectoria se le ha venido aplicando muestreo simple con Inspeccin Reducida y nivel general de inspeccin II. , segn lo establecido en la norma MILSTD 105D . Este proveedor enva su producto en lotes de tamao 120 y el AQL exigido es de 1,5% a) Cul es el riesgo del productor para este plan ?. b) Si el proveedor enva un lote con 3% de defectuosos, Cul es la probabilidad de que apruebe la inspeccin, pero el prximo lote deba ser examinado bajo Inspeccin Normal? Solucin: a) 0,0157 b) 0,2706 6) Se quiere disear un plan de muestreo simple para la aceptacin, para un producto cuyo AQL = 1% y cuyo LTPD = 5% ,con un riesgo del productor de 0,05 y un riesgo de consumidor de 0,01. a) Encuentre el plan de muestreo simple correspondiente. b) Con el plan de muestreo anterior, cul es la probabilidad de que un lote con 2% de defectuosos, apruebe la inspeccin. Solucin: a) n = 281 c = 5 b) 0,48 aproximadamente

Graficas de Control Angel F Arvelo

30